基于深度神經(jīng)網(wǎng)絡(luò)的巖芯柱巖石類型識(shí)別

石天航　鐘寶榮

摘要：文章闡述了使用手機(jī)攝像頭對巖芯表層圖像進(jìn)行采集，并使用深度神經(jīng)網(wǎng)絡(luò)分類的可行性。實(shí)驗(yàn)對象為砂巖和灰?guī)r兩大類巖石，對建立的數(shù)據(jù)集通過網(wǎng)絡(luò)模型的100000次訓(xùn)練后，模型準(zhǔn)確度在90%以上。通過對實(shí)驗(yàn)結(jié)果的分析，處于過渡帶的巖芯因?yàn)閹r性不一致或因外力遺留在巖芯表面的痕跡會(huì)干擾網(wǎng)絡(luò)模型的識(shí)別準(zhǔn)確率。從整體來看，網(wǎng)絡(luò)模型能有效提取出巖石的基本特征，驗(yàn)證了方法的可行性，實(shí)驗(yàn)數(shù)據(jù)采集流程簡單，采集效率高，具備廣泛推廣的可能性。

關(guān)鍵詞：巖石圖像;深度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);特征提取

中圖分類號(hào)：TP311文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2021）12-0192-03

Abstract： The article describes the feasibility of using a mobile phone camera to collect images of the core surface and using a deep neural network for classification. The experimental objects are sandstone and limestone. After 10，0000 trainings of the network model on the established data set， the accuracy of the model is above 90%. Through the analysis of the experimental results， the cores in the transition zone due to inconsistent lithology or traces left on the surface of the core due to external forces will interfere with the recognition accuracy of the network model. From an overall point of view， the network model can effectively extract the basic characteristics of the rock， verifying the feasibility of the method， the experimental data collection process is simple， the collection efficiency is high， and it has the possibility of widespread promotion.

Key words： rock image; deep learning; convolutional neural network; feature extraction

在油氣田勘探和開發(fā)過程中，巖芯往往是了解地下油層及所含流體特征最直觀、最實(shí)際的地質(zhì)資料，具有較高的研究價(jià)值。巖芯巖石類型的確定，對于油氣田生、儲(chǔ)、蓋類型的研究具有重要的意義。巖芯表層圖像，作為巖芯最直觀的特征，是第一手的地層資料。在當(dāng)前數(shù)據(jù)科學(xué)快速發(fā)展的背景下，利用數(shù)據(jù)科學(xué)研究方法對地質(zhì)學(xué)中的大數(shù)據(jù)進(jìn)行智能分析，挖掘有價(jià)值的信息，從而提高工作的效率和準(zhǔn)確率，已經(jīng)成為當(dāng)前社會(huì)一種公認(rèn)高效的研究方法。目前廣泛應(yīng)用的巖芯數(shù)字化方法大致可分三種[1]：

1） 獲取實(shí)物表面圖像信息，如巖芯白光掃描。

2） 獲取實(shí)物表面的各類化學(xué)參數(shù)信息，如巖芯高光譜礦物掃描、巖芯XRF元素濃度分析等。

3） 獲取實(shí)物內(nèi)部的物理參數(shù)，如巖芯CT掃描、P波速度掃描、伽馬密度掃描、磁化率掃描等。

智能手機(jī)的攝像頭像素越來越高，利用智能手機(jī)拍攝巖芯表層圖像，從而進(jìn)行圖像分析識(shí)別工作將會(huì)是一種高效的工作方式。這種方式操作簡單，易于推廣，同時(shí)能極大地提高工作人員的效率。

在圖像識(shí)別領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)有著獨(dú)到的優(yōu)勢。國內(nèi)外有許多的學(xué)者采用卷積神經(jīng)網(wǎng)絡(luò)算法處理巖石類型的分類問題。2010年，Singh等[2]以玄武巖巖石薄片圖像作為輸入，提取27個(gè)數(shù)值參數(shù)，輸入多層感知器神經(jīng)網(wǎng)絡(luò)，通過網(wǎng)絡(luò)訓(xùn)練后輸出巖石類別。2017年，程國建等[3]采用卷積神經(jīng)網(wǎng)絡(luò)模型對鏡像巖石薄片圖像特征自動(dòng)提取，并同時(shí)建立模式分類器，實(shí)現(xiàn)基于薄片圖像的粒度自動(dòng)識(shí)別。2018年，白林等[4]對15種常見巖石的圖像數(shù)據(jù)基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建巖石識(shí)別深度學(xué)習(xí)模型成功提取了多種類型巖石中的礦物。2019年，陳鋼花等[5]構(gòu)建了一個(gè)雙層的卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于判別儲(chǔ)層巖性，并與巖石物理相方法和支持向量機(jī)方法進(jìn)行對比，分析卷積神經(jīng)網(wǎng)絡(luò)方法準(zhǔn)確率高，速度快，巖性預(yù)測具有實(shí)時(shí)性。

綜上所述，卷積神經(jīng)網(wǎng)絡(luò)在地質(zhì)學(xué)上的應(yīng)用得益于近幾年人工智能技術(shù)的快速發(fā)展。深度學(xué)習(xí)等方法已經(jīng)在巖石手標(biāo)本等圖像分類中得到應(yīng)用，并體現(xiàn)出一定的效果[6]。但是由于巖芯數(shù)字化程度不高，對于巖芯表層圖像識(shí)別問題的研究略顯不足。

1 卷積神經(jīng)網(wǎng)絡(luò)算法

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks， CNN）是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，具有表征學(xué)習(xí)能力，能夠按其階層結(jié)構(gòu)對輸入信息進(jìn)行平移不變分類。經(jīng)典的網(wǎng)絡(luò)模型有VGG、GoogLeNet[7-8]等算法，可直接將圖像數(shù)據(jù)作為輸入，無須人工對圖像進(jìn)行預(yù)干預(yù)和額外的特征提取等復(fù)雜操作，而且以其特有的細(xì)粒度提取方式，使得對圖像的處理能力達(dá)到幾近人力的水平。

1.1 GoogLeNet網(wǎng)絡(luò)模型

GoogLeNet網(wǎng)絡(luò)采用Inception模塊（如圖1），卷積核采用1*1，3*3，5*5，不同大小的卷積核能夠感受不同大小的感受野，將卷積步長設(shè)置為1后，分別采用padding=0，1，2，

采用same卷積能夠給予不同尺度的特征融合。隨著層數(shù)的增加，3*3，5*5的卷積比例也逐漸增加。Inception-V3在之前的基礎(chǔ)上做了改良[10]，采用一種有效分解卷積的方式來減少網(wǎng)絡(luò)的參數(shù)，提高訓(xùn)練速度，分解到更小的卷積，將兩個(gè)較小的卷積結(jié)構(gòu)來替代原本的卷積，如用兩個(gè)3×3卷積替代5×5卷積如圖2（a）。將3×3卷積分解成3×1再接1×3的不對成卷積如圖2（b）。

GoogLeNet-InceptionV3網(wǎng)絡(luò)模型結(jié)構(gòu)如圖3所示。大小為299×299像素的圖像作為網(wǎng)絡(luò)模型的輸入數(shù)據(jù)，對應(yīng)為R、G、B三個(gè)顏色通道，即為299×299×3的矩陣。通過GoogLeNet網(wǎng)絡(luò)模型的卷積迭代過程，在進(jìn)行完卷積和池化的迭代操作后，最終得到2048個(gè)節(jié)點(diǎn)，經(jīng)過一次全連接操作，隱含節(jié)點(diǎn)為1000，最后利用softmax函數(shù)得到分類概率，并且確定相應(yīng)的巖石類別。

2 實(shí)驗(yàn)

2.1 數(shù)據(jù)集

實(shí)驗(yàn)采用的巖芯表層圖像來自湖北潛江野外鉆取巖芯（圖4），使用手機(jī)攝像頭拍攝，經(jīng)由地質(zhì)專業(yè)人員進(jìn)行辨認(rèn)分類后，選取典型的巖石類型彩色圖像，隨機(jī)截取299*299的圖像組成數(shù)據(jù)集（圖5），灰?guī)r、砂巖圖像各1400張，在實(shí)驗(yàn)中隨機(jī)劃分1100張作為訓(xùn)練集，300張作為驗(yàn)證集。

2.2 特征提取

巖芯表層圖像分類需要結(jié)合礦物成分、結(jié)構(gòu)和構(gòu)造等特征，依據(jù)巖芯表層礦物粒度大小、表面特殊的紋理。巖石的多樣性以及地質(zhì)構(gòu)造作用的復(fù)雜性，導(dǎo)致巖芯柱往往成分構(gòu)成復(fù)雜，紋理多樣化。

砂巖是一種沉積巖，主要由各種砂粒膠結(jié)而成的，顆粒直徑在0.05-2mm，其中砂粒含量要大于50%，結(jié)構(gòu)穩(wěn)定，通常呈淡褐色或紅色，主要含硅、鈣、黏土和氧化鐵。外觀粗糙，其表面有明顯顆粒質(zhì)感。灰?guī)r，以方解石為主要成分的碳酸鹽巖，有時(shí)含有白云石、黏土礦物和碎屑礦物，有灰、灰白、灰黑、黃、淺紅、褐紅等色，其結(jié)構(gòu)較為復(fù)雜，有碎屑結(jié)構(gòu)和晶粒結(jié)構(gòu)兩種。碎屑結(jié)構(gòu)多由顆粒、泥晶基質(zhì)和亮晶膠結(jié)物構(gòu)成。晶粒結(jié)構(gòu)是由化學(xué)及生物化學(xué)作用沉淀而成的晶體顆粒。

GoogLetNet卷積神經(jīng)網(wǎng)絡(luò)通過卷積，池化等操作后產(chǎn)生的圖像特征圖如表1所示，與原圖相比較，第2～3張對應(yīng)的特征圖能明顯顯示出網(wǎng)絡(luò)提取出的有效特征。表1中砂巖的顆粒特征被有效放大，并通過一次次的卷積、池化操作，逐漸抽象成為分類的主要特征。灰?guī)r中白云石或方解石所形成的石脈特征以及灰?guī)r的粒度特征在特征圖中均被有效提取。從提取出的特征圖分析，GoogLetNet卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)能在底層中有效提取出巖石的粒度特征和構(gòu)造特征。

2.3 實(shí)驗(yàn)過程及結(jié)果

圖像數(shù)據(jù)通過整理，輸入到構(gòu)建好的卷積神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，設(shè)置的初始的學(xué)習(xí)率為0.001，經(jīng)過100000次迭代后，模型對于訓(xùn)練集的準(zhǔn)確率為100%，對于驗(yàn)證集的準(zhǔn)確率為90%以上。網(wǎng)絡(luò)模型每通過100次迭代后，保存模型并記錄測試集準(zhǔn)確率。網(wǎng)絡(luò)模型識(shí)別準(zhǔn)確率變化圖如圖6所示。模型識(shí)別準(zhǔn)確率隨著訓(xùn)練次數(shù)的增加逐漸增長，藍(lán)色的曲線代表訓(xùn)練集的準(zhǔn)確率，黃色的曲線代表測試集的準(zhǔn)確率。結(jié)果數(shù)據(jù)顯示，在50000次訓(xùn)練之后，模型的準(zhǔn)確率波動(dòng)減緩。

（橫坐標(biāo)表示訓(xùn)練次數(shù)，縱坐標(biāo)表示模型的準(zhǔn)確率，藍(lán)色線表示訓(xùn)練集的準(zhǔn)確率，黃色線表示驗(yàn)證集的準(zhǔn)確率）

模型識(shí)別準(zhǔn)確率波動(dòng)性較大結(jié)合誤判的巖石圖像（表2），分析可能由三個(gè)原因引起：

1） 巖芯表面由于污泥、鉆探工具遺留下的痕跡等非自然因素干擾網(wǎng)絡(luò)判斷。

2） 處于底層過渡帶的巖芯因其巖性不一致，導(dǎo)致同一張圖像中具有兩種類型的巖石，從而降低了模型的準(zhǔn)確率。

3） 由于地層構(gòu)造作用復(fù)雜，斷層等構(gòu)造特征破壞巖芯完整性，干擾神經(jīng)網(wǎng)絡(luò)特征提取。

3 總結(jié)

巖芯樣品往往數(shù)量龐大而且其開采成本昂貴。人工鑒定存在工作量大、過程煩瑣、主觀性強(qiáng)等問題，同時(shí)我國巖芯數(shù)字化程度不高，導(dǎo)致巖芯利用率較低。本文研究了一種易于操作推廣的巖芯表層圖像分類方法。使用手機(jī)攝像頭對巖芯表層圖像進(jìn)行采集，通過GoogLeNet卷積神經(jīng)網(wǎng)絡(luò)能有效提取圖像的特征，并對其進(jìn)行分類識(shí)別，模型準(zhǔn)確率達(dá)90%以上。通過實(shí)驗(yàn)結(jié)果分析，發(fā)現(xiàn)網(wǎng)絡(luò)模型易于受到巖芯表層污垢，構(gòu)造作用的干擾，巖芯巖性不一致也會(huì)降低模型準(zhǔn)確率。后續(xù)對巖石種類、訓(xùn)練集篩、網(wǎng)絡(luò)模型的穩(wěn)定性選等問題上進(jìn)行進(jìn)一步的探索研究，應(yīng)用于巖芯圖像的識(shí)別問題上。

參考文獻(xiàn)：

[1] 米勝信，姚聿濤，張晨光，等.基于智能手機(jī)APP的巖芯圖像采集研究[J].中國礦業(yè)，2018，27（7）：157-160.

[2] Singh N，Singh T N，Tiwary A，et al.Textural identification of basaltic rock mass using image processing and neural network[J].Computational Geosciences，2010，14（2）：301-310.

[3] 程國建，郭文惠，范鵬召.基于卷積神經(jīng)網(wǎng)絡(luò)的巖石圖像分類[J].西安石油大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，32（4）：116-122.

[4] 白林，姚鈺，李雙濤，等.基于深度學(xué)習(xí)特征提取的巖石圖像礦物成分分析[J].中國礦業(yè)，2018，27（7）：178-182.

[5] 陳鋼花，梁莎莎，王軍，等.卷積神經(jīng)網(wǎng)絡(luò)在巖性識(shí)別中的應(yīng)用[J].測井技術(shù)，2019，43（2）：129-134.

[5] Hinton G E，Osindero S，Teh Y W.A fast learning algorithm for deep belief nets[J].Neural Computation，2006，18（7）：1527-1554.

[6] Krizhevsky A，Sutskever I，Hinton G E.ImageNet classification with deep convolutional neural networks[J].Communications of the ACM，2017，60（6）：84-90.

[7] Zhu Y Q，Bai L，Peng W H，et al.Depthwise separable convolution feature learning for ihomogeneous rock image classification[C]//Cognitive Systems and Signal Processing，2019. DOI：10.1007/978-981-13-7983-3_15.

[8] Szegedy C，Liu W，Jia Y Q，et al.Going deeper with convolutions[C]//2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.June 7-12，2015，Boston，MA，USA.IEEE，2015：1-9.

[9] Szegedy C，Vanhoucke V，Ioffe S，et al.Rethinking the inception architecture for computer vision[J].2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR），2016：2818-2826.

【通聯(lián)編輯：梁書】